前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >论文阅读: R-FCN-3000

论文阅读: R-FCN-3000

作者头像
JNingWei
发布2018-09-27 11:32:47
5160
发布2018-09-27 11:32:47
举报
文章被收录于专栏:JNing的专栏

Introduction

R-FCN-3000的定位是 large-scale detector

large-scale detector

核心技术

精度

意义

YOLO-9000

语法树

较差

第一个large-scale detector

R-FCN-3000

解耦“定位”和“分类”

较好

第一个可实用的large-scale detector

分类

采用了YOLO-9000中的分类思想:

大类得分 × 细类得分 = 最终分类得分

定位回归

将“定位”和“分类”解耦,避免了R-FCN中对每个类都进行一次bbox回归:

这里写图片描述
这里写图片描述

设计了双pipeline结构如下:

这里写图片描述
这里写图片描述

Innovation

经过一系列实验,发现:

  • “按类进行回归”是没有必要的,去掉之后甚至可以获得一个更合理的object得分;
  • 因为很多object类之间的外观高度相似,共享“定位卷积计算”是可行的。

Result

R-FCN-3000效果图如下:

这里写图片描述
这里写图片描述

Thinking

这篇文章我只是略读。觉得作者洞察得很仔细,设计的网络结构也较简单,而且最终的检测精度和检测速度都不错。


[1] R-FCN-3000 at 30fps: Decoupling Detection and Classification

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2018年06月10日,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • Introduction
    • 分类
      • 定位回归
      • Innovation
      • Result
      • Thinking
      领券
      问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档